1

Stiintele matematicii aplicate, Vol 4, 2010, nr. 45, 2207-2240

Simularea distributiilor Burr univariate si
multivariate de tipul III si de tipul XII
Todd C. Headrick, Mohan Dev Pant and Yanyan Sheng

Sectiune de statistici si masuratori
Southern Illinois University Carbondale
Departament EPSE, 222-J Wham Bldg, Mail Code 4618
Carbondale, IL, USA, 62901
headrick@siu.edu

Abstract

Acest articol descrie o metoda pentru simularea distributiilor Burr univariate si
multivariate de tipul III si de tipul XII, prin intermediul matricelor de corelatie.
Metodologia are la baza derivarea formelor parametrice a lui pdf si cdf din aceasta
familie de distributii. In lucrare, se arata cum pot fi prelucrati parametrii pentru valori
specifice ale lui skew si kurtosis. Se demonstreaza de asemenea cum se modeleaza
puncte si alte chestiuni precum modulul, mediana si media trunchiata. Sunt prezentate
exemple in care se arata cum familia de distributii Burr sunt folosite pentru
normalizarea unor multimi de date reale. Rezultatele unei simulari Monte Carlo sunt
prezentate pentru a confirma ca metodele propuse genereaza distributii cu valori
specific pentru skew, kurtosis, si intercorelare. Valorile tabelate pentru forma
parametrilor si valorile limita pentru kurtosis sunt si ele furnizate.

Clasificarea subiectului mathematic : 65C05, 65C10, 65C60
2

Cuvinte cheie: potrivirea distributiilor, momente, Monte Carlo, variabile aleatoare,
simulare

1.Introducere
Burr a introdus un sistem de doisprezece functii de distributie cumulative (cdfs) cu
scopul principal de normalizare a datelor. Burr si Tadikamalla au acordat o atentie
sporita distributiilor de tip III si XII, deoarece ele includ o varietate de distributii cu
grade variate ale lui skew si kurtosis. De exemplu, distributia de tipul XII include
caracteristici ale distributiilor normal, lognormala, gamma, logistica si exponentiala ,
dar si caracteristici associate familiei de distributii Pearson. Distributiile de tipul III si
XII au fost folosite intr-o multime de aplicatii si modelari statistice. Unele exemple
include subiecte precum riscul operational, distributiile pe piata de capital,
meteorologie, modelarea preturilor, fiabilitate.
Desi distributiile de tipul III si XII au cuantile, ele au fost ignorate si folosite mai putin
in cadrul studiilor Monte Carlo. Alte familii de distributii care detin functii de cuantila,
precum metoda pornirii, lambda generalizat sau distributia Tukey g&h apar mult mai
des in literatura de specialitate si in aplicatii. Un motiv pentru care se intampla acest
lucru ar fi dificultatile ce pot aparea in simularea distributiilor Burr ce necesita o
structura specifica de corelatie, spre deosebire de celelalte familii de distributii. Au fost
prezentate o serie de proceduri pentru simularea distributiilor non-normale corelate.
Exemple in care metoda pornirii a fost folosita in acest context include tehnici precum
analiza covariantei, regresia logistica, regresia, masuratorile repetate si modelarea
ecuatiilor structurale.
O preocupare suplimentara in ceea ce priveste distributiile de tip III si XII o reprezinta
numarul mic de cercetari, care considera aceste distributii ca fiind o singura familie, in
contextul simularii univariate si multivariate a distributiilor non-normale . Aceasta
preocupare este ridicata pentru ca unul dintre avantajele pe care familia de distribuii de
tip III si XII o are asupra familiilor de distributii mentionate mai sus, este ca acopera o
regiune mai mare de kurtosis.
3

Avand in vedere cele de mai sus, scopul acestei lucrari este de a dezvolta metodologia
pentru simularea distributiilor Burr de tipul III si XII. Consideram distributiile de tip III
si XII, impreuna ca o familie si derivam formele parametrice generale ale functiei
densitate de probabilitate (pdf) si ale functiei caracteristice. Ca atare, determinarea
parametrilor si a masuratorilor tendintei centrale, potrivirea functiilor densitate de
probabilitate la parametrii datelor empirice pot fi facute intr-un mod eficient pentru
fiecare tip de distributie. Metodologia este prezentata pentru extinderea familiei Burr de
la univariate la generarea de date multivariate. Exemplele numerice si rezultatele dintr-o
simulare Monte Carlo sunt prezentate pentru a demonstra si a confirma metodologia.
2.Distributiile Burr univariate de tipul III si de tipul XII
Familia de distributii Burr se bazeaza pe transformari care produc distributii non-
normale cu media definita, varianta, skew si kurtosis. Aceste transformari sunt usor de
compilat, deoarece ele necesita doar cunoasterea a doi parametrii si un algoritm care sa
genereze abaterile medii. Vom incepe derivarea din formele generale parametrice a
unei functii probabilitate de densitate si a unei functii caracteristice pentru familia de
distributii, pornind de la definitiile urmatoare.
Definitia 2.1 Fie U o variabila aleatoare uniform distribuita cu pdf si cdf exprimate
prin:
0
( ) 1
( ) Pr( ) 1
U
u
U
f u
F u U u du u
=
= s = =
}

unde 0 1 u s s . Fie ( , ) u x y = o variabila auxiliara care defineste curbele parametrizate
ale ecuatiilor de mai sus:
2
2
: : ( ) ( , ) ( , ( )) ( ,1)
: : ( ) ( , ) ( , ( )) ( , )
U U U U U
U U U U U
f u R f u f x y f u f u f u
F u R F u F x y F u F u F u u
= = = =
= = = =

Definitia 2.2 Fie forma analitica a functiilor cuantile asociate distributiilor Burr de tipul
III si XII definite astfel:
4

1/ 1/
1/ 1/
( ) ( ) ( 1)
( ) ( ) ((1 ) 1)
k c
III
k c
XII
q u q u u
q u q u u

= =
= =

unde ( ) q u este o functie monotona crescatoare cu valori reale ale parametrilor c si k ,
ce determina forma distributiei. Pentru ambele tipuri de distributii valoarea lui k este
pozitiva. Valoarea lui c este negativa pentru tipul III si pozitiva pentru tipul XII.
Prin derivare obtinem:
1/ 1 1/ 1/ 1
1/ 1 1/ 1/ 1
( ) ( ) ( )( 1) / ( )
( ) ( ) (1 ) ((1 ) 1) / ( )
k k c
III
k k c
XII
q u q u u u ck
q u q u u u ck


' ' = =
' ' = =

Propozitia 2.1 Daca compunerile f q si F q definesc curbele parametrice ale
( )
( ( ))
q U
f q u si
( )
( ( ))
q U
F q u , unde ( ) ( , ) q u q x y = si,
2
( ) ( ) ( )
2
( ) ( ) ( )
: ( ) : ( ( )) ( ( , )) ( ( ),1/ ( ))
: ( ) : ( ( )) ( ( , )) ( ( ), )
q U q U q U
q U q U q U
f q q u R f q u f q x y f q u q u
F q q u R F q u F q x y F q u u
' = = =
= = =

atunci,
( )
( ( ),1/ ( ))
q U
f q u q u ' si
( )
( ( ), )
q U
F q u u sunt pdf si cdf asociate functilor cuantile.
Corolarul 2.1 Derivata functiei caracteristice cdf
( )
( ( ), )
q U
F q u u este functia densitate
de probabilitate pdf
( )
( ( ),1/ ( ))
q U
f q u q u ' .
Momentele asociate familiei de distributii de tipul III si XII pot fi determinate din:
1
0
[ ( ) ] ( ) [( ) / ] [ / ] / [ ]
r r
E q u q u du c r c k r c k = = I + I I
}

Valorile pentru skew
1
( ) o si kurtosis
2
( ) o :
3 2 3
1
2 2 3/ 2
( [ ( ) ] 3 [ ( ) ] [ ( )] 2( [ ( )]) ) /
( [ ( ) ] ( [ ( )]) )
E q u E q u E q u E q u
E q u E q u
o = +

4 3 2 2 2
2
2 4 2 2 2
( [ ( ) ] 4 [ ( ) ] [ ( )] 3( [ ( ) ]) 12 [ ( ) ]
( [ ( )]) 6( [ ( )]) / ( [ ( ) ] [ ( )]) )
E q u E q u E q u E q u E q u
E q u E q u E q u E q u
o = +


5

Pornind de la formulele de mai sus se obtin formulele pentru medie, varianta, skew si
kurtosis in cazul distributiei Burr:
( [( 1) / ] [ 1/ ]) / [ ] c c k c k = I + I I
2 2 2 2
[ ] ( [(2 ) / ] [ ] [ 2/ ] [1 1/ ] [ 1/ ] ) k c c k k c c k c o

= I I + I I I + I
2 2 3/ 2
1
2 2
3 3
{1/ ( [(2 ) / ] [ ] [ 2 / ] [1 1/ ] [ 1/ ] )}
{ [(3 ) / ] [ ] [ 3/ ] (6 [1/ ] [2 / ] [ 2 / ] [ 1/ ])
2 [1 1/ ] [ 1/ ] }
c c k k c c k c
c c k k c c c c k c k c
c k c
o

= I + I I I + I
I + I I I I I I +
I + I

3 3 2
2
2 3 4
3 2 2 2
{ [(4 ) / ] [ ] [ 4 / ] (3 [ 1/ ](4 [1/ ] [3/ ] [ ] [ 3/ ]
4 [1/ ] [2 / ] [ ] [ 2 / ] [ 1/ ] [1 1/ ]
[ 1/ ] ))}/ { [2 / ] [ ] [ 2 / ] [1 1/ ] [ 1/ ] } 3
c c k k c c k c c c c k k c
c c k k c k c c c
k c c c k k c c k c
o

= I + I I I I I I I
I I I I I + I +
I I + I I I + I

Valorile lui
2
o si
1
o asociate fiecarei distributii de tipul XII, respectiv de tipul III sunt
folosite simultan pentru determinarea parametrilor c si k . Dupa determinarea acestor
parametrii, ei vor fi folositi pentru evaluarea mediei si variantei. Alte masuratori pentru
determinarea tendintei centrale sunt modulul, mediana si media trunchiata. Distributiile
de tipul III sunt unimodale daca 0, 1/ c k c < > si ((1 ) / ( ))
k
III
u ck c ck = + + .
Distributiile de tipul XII sunt unimodale daca 1, 0 c k > > si
1 ((1 ) / ( ))
k
XII
u ck c ck = + + . Substituind
III
u si
XII
u in relatiile de mai sus se va obtine:
1/
( ) (( 1) / (1 ))
c
q u c ck = +
Mediana asociata se localizeaza in punctul
1/ 1/
( 0.5) (2 1)
k c
q u = = .
Media trunchiata suta la suta simetrica (TM) poate fi obtinuta pentru valoarea 1 r =
astfel:
1
1
(1 2 ) ( ) TM q u du

=
}

6

Daca 0 atunci TM va converge catre medie si daca 0.5 atunci TM va
converge catre mediana.
Pentru a demonstra metodologia prezentata introducem figurile 1 si 2. Valorile si
graficele din aceste figuri au fost obtinute utlizand diverse functii Mathematica.
3.Normalizarea datelor folosind distributia Burr
In figura 3 sunt prezentate densitatile de probabilitate suprapuse pe histograme ale
masuratorilor de circumferinta (in centrimetrii) luate de pe abdomen , piept, antebrat,
genunchi pe un esantion de 252 barbati adulti.
Fig1: Exemple ale parametrilor c si k pentru distributiile de tipul III si functiile lor
asociate pdf si cdf. Aceste distributii pot fi simulate empiric utilizand cuantile.
7


Fig 2 : Exemple ale parametrilor c si k pentru distributiile de tipul XII si functiile lor
asociate pdf si cdf. Si acestea pot fi simulate folosind cuantile.
Figura 3 ne arat ca densitatile de probabilitate Burr se dovedesc a aproxima destul de
bine datele empirice. Valorile mediilor si ale deviatiilor standard pentru densitatile de
repartitie Burr sunt si ele redate in figura 3.
O modalitate prin care se poate determina cat de buna este o metoda Burr , este sa
calculam chi-patrat statistic. De exemplu, in tabelul numarul 1 sunt trecute procentele
cumulative si intervalele claselor bazate pe pdf specifica Burr din figura 3. Valoarea
8

asimptotica p=0.290 indica faptul ca densitatea de probabilitate Burr normalizeaza bine
datele. Observam ca numarul de grade de libertate pentru acest test este df=5=10 (clase
de intevale)-4(estimarile parametrilor)-1(marimea esantionului). Mediile trunchiate
Burr din tabelul 2 indica de asemenea o normalizare buna.

Tabelul 1 Valorile frecventelor aparute in urma testului chi-patrat bazate pe
aproximarile functiei de distributie Burr de tipul XII din figura 3


Tabelul 2 Exemple ale mediilor trunchiate pentru distributia Burr de tipul XII. Fiecare
TM are la baza un esantion de n=152 si are un interval de ncredere de 95% bootstrap
inclus n paranteze.
9


Figura 3 Exemple de densitati de probabilitate Burr de tipul XII, aproximate raportat la
datele empirice, utilizand masuri de circumferinta (in centrimetrii) luate de la n=252
barbati. Pentru a normaliza distributiile Burr , functiile cuantile au fost transformate in
( ( )) / M S Sq u o o +
10

4.Generarea datelor multivariate
Familia de distributii Burr poate fi extinsa de la forma univariata la generarea
multivariata a datelor, mentionand functiile cuantile. Fie
1
,...,
T
Z Z variabilele normale
unde functia de distributie si functia de densitate bivariata asociate lui
j
Z si
k
Z sunt
exprimate astfel:
1/ 2 2
inf
( ) Pr{ } (2 ) exp{ / 2}
j
z
j j j j j
z Z z u du t

u = s =
}

1/ 2 2
inf
( ) Pr{ } (2 ) exp{ / 2}
k
z
k K k k k
z Z z u du t

u = s =
}

2 2 1/ 2 1
2 1 2 2
: ( , , ) (2 (1 ) )
exp{ (2(1 )) ( 2 )}
j k j k j k
j k j k
jk z z j k z z z z
z z j k j k z z
f f z z
z z z z
t

= =
+

Pentru a genera distributiile Burr, procesul incepe prin asamblarea corelatiilor
intermediare rezolvate intr-o matrice patratica TxT si ulterior sa factorizam aceasta
matrice. Rezultatele factorizarii sunt apoi folosite pentru determinarea deviatiiilor
standard normale care sunt corelate pe nivele intermediare dupa cum urmeaza:
1 11 1
Z a V =
2 12 1 22 2
Z a V a V = +
...
1 1 2 2
...
j j j ij i jj j
Z a V a V a V a V = + + + +
...
1 1 2 2
...
T T T iT i TT T
Z a V a V a V a V = + + + +
Unde
1
,...
T
V V sunt abaterile standard si unde
ij
a reprezinta elementul de pe linia i si
coloana j a matricei asociate cu factorizarea Cholesky.
11

5.Exemplu numeric si simularea Monte Carlo
Se dau corelatiile specifice intre trei distributii Burr. Matricea de corelatie este
prezentata in tabelul urmator.

Tabelul 3 Valorile specifice ale corelatiilor intre 3 distributii Burr

Tabelul 4 Corelatiile intermediare rezolvate

Tabelul 5 Factorizarea Cholesky pe baza corelatiilor din tabelul 4

Pentru a demonstra procedura descrisa mai sus , cele trei distributii Burr selectate din
figura 1 si 2 au fost simulate in raport cu matricea de corelatie din tabelul 3 utilizand un
algoritm codat in Fortran. Marimea esantionului este N=10250 si 1000000 au fost
desenate pentru fiecare din cele 3 distributii selectate, folosind valorile specifice ale lui
c si k, date in figurile 1 si 2. Tabelele 6-8 vor indica ca procedura este nemaipomenita
pentru estimari empirice si valori specifice ale parametrilor , chiar si pentru esantioane
mici , de N=10.
12


Figura 4 Codul Mathematica pentru compilarea corelatiilor intermediare din tabelul 4

13


Tabelul 6 Valorile estimate ale corelatiei, skew (1) si kurtosis(2) intre cele 3
distributii Burr. Esantionul se bazeaza pe 25000 de probe de marime N=10.

Tabelul 7 Valorile estimate ale corelatiei, skew (1) si kurtosis(2) intre cele 3
distributii Burr. Esantionul se bazeaza pe 25000 de probe de marime N=250.

Tabelul 8 Valorile estimate ale corelatiei, skew (1) si kurtosis(2) intre cele 3
distributii Burr. Esantionul se bazeaza pe 25000 de probe de marime N=100000.






14

6.Concluzii
Tehnicile de simulari Monte Carlo sunt utilizate la scara larga in cercetarile statistice.
Din moment ce multimile de date reale pot fi non-normale este esential ca statisticienii
sa aiba la indemana o varietate de tehnici disponibile atat pentru generarea de date
univariate cat si multivariate. Cum am mentionat si mai devreme distributiile Burr nu au
fost asa de populare in randul metodelor de analiza, cum a fost de exemplu metoda
polionomiala. Aceasta metoda genereaza variabile aleatoare bivariate non-normale.
Extensia familiei de distributii Burr de la univariate la multivariate transforma aceasta
familie intr-un adevarat competitor datorita simplicitatii sale si a usurintei in executie.














15

7. Bibliografie
[1] T. M. Beasley and B. D. Zumbo, Comparison of aligned Friedman rank and
parametric methods for testing interactions in split-plot designs, Computational
Statistics and Data Analysis, 42 (2003), 569-593.

[2] P. J. Bickel and K. A. Docksum, Mathematical Statistics: Basic Ideas and
Selected Topics, Prentice Hall, Englewood Cli_s, NJ, 1977.

[3] R. C. Blair, Rangen, IBM, Boca Raton, FL, 1987.

[4] I. W. Burr, Cumulative frequency functions, Annals of Mathematical Statistics,
13 (1942), 215-232.

[5] I. W. Burr, Parameters for a general system of distributions to match a grid of
_3 and _4, Communications in Statistics, 2 (1973), 1-21.

[6] A. S. Chernobai, F. J. Fabozzi, and S. T. Rachev, Operational Risk: A Guide
to Basel II Capital Requirements, Models, and Analysis, John Wiley & Sons,
New York, NY, 2007.

[7] A. I. Fleishman, A method for simulating non-normal distributions, Psychome-
trika, 43 (1978), 521-532.

[8] J. H. Gove, M. J. Ducey, W. B. Leak, and L. Zhang, Rotated sigmoid structures
in managed uneven-aged northern hardwood stands: A look at the Burr Type
III distribution, Forestry, 81 (2008), 21-36.

[9] M. R. Harwell and R. C. Serlin, An experimental study of a proposed test
of nonparametric analysis of covariance, Psychological Bulletin, 104 (1988),
268-281.

[10] T. C. Headrick and S. S. Sawilowsky, Simulating correlated multivariate non-
normal distributions: Extending the Fleishman power method, Psychometrika,
64 (1999), 25-35.

[11] T. C. Headrick and S. S. Sawilowsky, Properties of the rank transformation in
factorial analysis of covariance, Communications in Statistics: Simulation and
Computation, 29 (2000), 1059-1087
.
[12] T. C. Headrick and O. Rotou, An investigation of the rank transformation in
multiple regression, Computational Statistics and Data Analysis, 38 (2001),
203-215.

[13] T. C. Headrick, Fast _fth-order polynomial transforms for generating univariate
16

and multivariate non-normal distributions, Computational Statistics and Data Analysis,
40 (2002), 685-711.

[14] T. C. Headrick and R. K. Kowalchuk, The power method transformation: Its
probability density function, distribution function, and its further use for _tting
data, Journal of Statistical Computation and Simulation, 77 (2007), 229-249.

[15] T. C. Headrick, R. K. Kowalchuk, and Y. Sheng, Parametric probability densi-
ties and distribution functions for the Tukey g-and-h transformations and their
use for _tting data, Applied Mathematical Sciences, 2 (2008), 449-462.

[16] B. Hess, S. F. Olejnik, and C. J. Huberty, The e_cacy of two improvement-
over-chance e_ect sizes for two-group univariate comparisons under variance
heterogeneity and non-normality, Educational and Psychological Measurement,
61 (2001), 909-936.

[17] J. R. Hipp and K. A. Bollen, Model _t in structural equation models with
censored, ordinal, and dichotomous variables: Testing vanishing tetrads, Soci-
ological Methodology, 33 (2003), 267-305.

[18] D. C. Hoaglin, g-and-h distributions, In S. Kotz and N. L. Johnson (Eds.),
Encyclopedia of Statistical Sciences (Vol. 3, pp. 298-301), John Wiley & Sons,
New York, NY, 1983.

[19] D. C. Hoaglin, Summarizing shape numerically: The g-and-h distributions, In
D. C. Hoaglin, F. Mosteller, and J. W. Tukey (Eds.), Exploring Data Tables,
Trends, and Shapes (pp. 461-513), John Wiley & Sons, New York, NY, 1985.

[20] Z. A. Karian and E. J. Dudewicz, Fitting Statistical Distributions: The Gen-
eralized Lambda Distribution and Generalized Bootstrap Methods, Chapman &
Hall, CRC, Boca Raton, FL, 2000.

[21] M. G. Kendall and A. Stuart, The Advanced Theory of Statistics, vol. 1, 4th
ed., MacMillan, New York, NY, 1977.

[22] S. Kotz, N. Balakrishnan, and N. L. Johnson, Continuous Multivariate Distri-
butions, vol. 1, 2nd ed., John Wiley & Sons, New York, NY, 2000.

[23] R. K. Kowalchuk, H. J. Keselman, and J. Algina, Repeated measures inter-
action test with aligned ranks, Multivariate Behavioral Research, 38 (2003),
433-461.

[24] S. R. Lindsay, G. R. Wood, and R. C. Woollons, Modelling the diameter distri-
bution of forest stands using the Burr distribution, Journal of Applied Statis-
tics, 43 (1996), 609-619.

17

[25] G. Marsaglia, Evaluating the normal distribution, Journal of Statistical Soft-
ware, 11 (2004), 1-10.

[26] P. W. Mielke, Another family of distributions for describing and analyzing
precipitation data, Journal of Applied Meteorology, 12 (1973), 275-280.
2224 T. C. Headrick, M. D. Pant, and Y. Sheng

[27] N. A. Mokhlis, Reliability of a stress-strength model with Burr type III distri-
butions, Communications in Statistics: Theory and Methods, 34 (2005), 1643-
1657.

[28] S. Nadarajah and S. Kotz, q exponential is a Burr distribution, Physics Letters
A, 359 (2006), 577-579.

[29] S. F. Olejnik and J. Algina, An analysis of statistical power for parametric
ancova and rank transform ancova, Communications in Statistics: Theory and
Methods, 16 (1987), 1923-1949.

[30] J. S. Ramberg and B. W. Schmeiser, An approximate method for generating
symmetric random variables, Communications of the ACM, 15 (1972), 987-990.

[31] J. S. Ramberg and B. W. Schmeiser, An approximate method for generating
asymmetric random variables, Communications of the ACM, 17 (1974), 78-82.

[32] J. S. Ramberg, E. J. Dudewicz, P. R. Tadikamalla, and E. F. Mykytka, A
probability distribution and its uses in _tting data, Technometrics, 21 (1979),
201-214.

[33] W. J. Reinartz, R. Echambadi, and W. W. Chin, Generating non-normal data
for simulation of structural equation models using Mattson's method, Multi-
variate Behavioral Research, 37 (2002), 227-244.

[34] R. N. Rodriguez, A guide to the Burr type XII distributions, Biometrika, 64
(1977), 129-134.

[35] B. J. Sherrick, P. Garcia, and V. Tirupattur, Recovering probabilistic infor-
mation from option markets: Tests of distributional assumptions, Journal of
Future Markets, 16 (1996), 545-560.

[36] C. A. Stone, Empirical power and Type I error rates for an IRT _t statistic
that considers the precision of ability estimates, Educational and Psychological
Measurement, 63 (2000), 1059-1087.

[37] P. R. Tadikamalla, A look at the Burr and related distributions, International
Statistical Review, 48 (1980), 337-344.

18

[38] H. A. Tejeda and B. K. Goodwin, Modeling crop prices through a Burr distri-
bution and analysis of correlation between crop prices and yields using a copula
method,Paper presented at the annual meeting of the Agricultural and Applied
Economics Association, Orlando, FL, 2008. http://purl.umn.edu/6061.

[39] J. W. Tukey, Modern techniques in data analysis, NSF sponsored regional re-
search conference at Southern Massachusetts University, North Dartmouth,
MA, 1977.

[40] C. D. Vale and V. A. Maurelli, Simulating multivariate non-normal distribu-
tions, Psychometrika, 48 (1983), 465-471.

[41] M. Vorechovsky and D. Novak, Correlation control in small-sample Monte Carlo
type simulations I: A simulated annealing approach, Probabilistic Engineering
Mechanics, 24 (2009), 452-462.

[42] D. R. Wingo, Maximum likelihood methods for _tting the burr type XII dis-
tribution to life test data, Biometrical Journal, 25 (1983), 77-84.

[43] D. R. Wingo, Maximum likelihood methods for _tting the burr type XII distri-
bution to multiply (progressively) censored life test data, Metrika, 40 (1993),
203-210.

[44] S. Wolfram, The Mathematica Book, 5th ed., Wolfram Media, Champaign, IL,
2003.









19

8.Anexe